Classification de graphes avec des réseaux neuronaux convolutifs 2D

L'apprentissage sur les graphes est actuellement dominé par les noyaux de graphe, qui, bien qu'puissants, souffrent de certaines limitations importantes. Les réseaux de neurones convolutifs (CNNs) offrent une alternative très attrayante, mais le traitement des graphes avec des CNNs n'est pas trivial. Pour relever ce défi, de nombreuses extensions sophistiquées des CNNs ont été introduites récemment. Dans cet article, nous abordons le problème sous un angle différent : au lieu de proposer encore un autre modèle de CNN pour les graphes, nous introduisons une nouvelle méthode pour représenter les graphes sous forme de structures similaires aux images multicanales, permettant ainsi leur traitement par des CNNs 2D standards. Les expériences montrent que notre méthode est plus précise que les noyaux de graphe et les CNNs de graphe les plus avancés sur 4 des 6 ensembles de données du monde réel (avec et sans attributs nodaux continus), et se rapproche dans les autres cas. Notre approche est également préférable aux noyaux de graphe en termes de complexité temporelle. Le code et les données sont librement accessibles.